Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CURSO 2022-23
ESTADISTICA
MODELOS DE DISTRIBUCIONES DE PROBABILIDAD. INFERENCIA
𝑛! = 𝑛 ∙ (𝑛 − 1) ∙ (𝑛 − 2) ∙ ⋯ ∙ 3 ∙ 2 ∙ 1
5! = 5 ∙ 4 ∙ 3 ∙ 2 ∙ 1 = 120
Es inmediato que
𝑛! = 𝑛 ∙ (𝑛 − 1) ∙ (𝑛 − 2) ∙ ⋯ ∙ 3 ∙ 2 ∙ 1 = 𝑛 ∙ (𝑛 − 1)!
𝑚 𝑚!
( )=
𝑛 𝑛! ∙ (𝑚 − 𝑛)!
Por ejemplo
6 6! 6! 6 ∙ 5 ∙ 4! 30
( )= = = = = 15
4 4! ∙ (6 − 4)! 4! ∙ 2! 4! ∙ 2! 2
1
RELACIONES LABORALES PRIMER0. CURSO 2022-23
ESTADISTICA
MODELOS DE DISTRIBUCIONES DE PROBABILIDAD. INFERENCIA
𝑚 𝑚! 𝑚!
( )= = =1
0 0! ∙ (𝑚 − 0)! 0! ∙ 𝑚!
𝑚 𝑚! 𝑚 ∙ (𝑚 − 1)!
( )= = =𝑚
1 1! ∙ (𝑚 − 1)! 1! ∙ (𝑚 − 1)!
𝑚 𝑚! 𝑚! 𝑚! 𝑚
( )= = = =( )
𝑛 𝑛! ∙ (𝑚 − 𝑛)! (𝑚 − 𝑛)! ∙ 𝑛! (𝑚 − 𝑛)! ∙ (𝑚 − (𝑚 − 𝑛))! 𝑚 −𝑛
Y como consecuencia
𝑚 𝑚
( )=( )=1
𝑚 0
𝑚 𝑚
( )=( )=𝑚
𝑚−1 1
Una última propiedad será:
𝑚 𝑚 𝑚! 𝑚!
( )+( )= + =
𝑛 𝑛+1 𝑛! ∙ (𝑚 − 𝑛)! (𝑛 + 1)! ∙ (𝑚 − (𝑛 + 1))!
(𝑛 + 1) ∙ 𝑚! (𝑚 − 𝑛) ∙ 𝑚! (𝑛 + 1 + 𝑚 − 𝑛) ∙ 𝑚!
= + = =
(𝑛 + 1)! ∙ (𝑚 − 𝑛)! (𝑛 + 1)! ∙ (𝑚 − 𝑛)! (𝑛 + 1)! ∙ (𝑚 − 𝑛)!
(1 + 𝑚) ∙ 𝑚! (𝑚 + 1)! 𝑚+1
= = =( )
(𝑛 + 1)! ∙ (𝑚 − 𝑛)! (𝑛 + 1)! ∙ (𝑚 − 𝑛)! 𝑛+1
Una técnica para la obtención de los números combinatorios sin necesidad de realizar
tanto producto es el denominado Triángulo de Tartaglia. Consiste en disponer de
forma piramidal ordenada los números combinatorios, de forma que en cada fila estén
todos los que tienen la misma parte superior:
0
( )
0
1 1
( ) ( )
0 1
2 2 2
( ) ( ) ( )
0 1 2
3 3 3 3
( ) ( ) ( ) ( )
0 1 2 3
Etc.
2
RELACIONES LABORALES PRIMER0. CURSO 2022-23
ESTADISTICA
MODELOS DE DISTRIBUCIONES DE PROBABILIDAD. INFERENCIA
Si observamos los dos lados de este triangulo están formados por unos y en base a la
última propiedad, cualquier número combinatorio se podrá obtener como suma de los
dos que tiene encima de él. Así:
1 1
1 2 1
1 3 3 1
Y para la diferencia
𝑛 𝑛 𝑛 𝑛 𝑛 𝑛
(𝑥 − 𝑦)𝑛 = ( ) 𝑥 𝑛 − ( ) 𝑥 𝑛−1 𝑦 + ( ) 𝑥 𝑛−2 𝑦 2 + ⋯ + (−1)𝑛−2 ( ) 𝑥 2 𝑦 𝑛−2 + (−1)𝑛−1 ( ) 𝑥𝑦 𝑛−1 + (−1)𝑛 ( ) 𝑦 𝑛
0 1 2 𝑛−2 𝑛−1 𝑛
Por ejemplo:
3
RELACIONES LABORALES PRIMER0. CURSO 2022-23
ESTADISTICA
MODELOS DE DISTRIBUCIONES DE PROBABILIDAD. INFERENCIA
MODELOS DISCRETOS.-
Por cuestiones de tiempo vamos a ver solo tres distribuciones discretas, las de
mayor uso. La Distribución Binomial, la Distribución de Poisson y la Distribución
Geométrica.
BINOMIAL.-
𝑋~ℬ(𝑛, 𝑝)
Por lo que si nos piden la probabilidad de que esto ocurra en tres ocasiones,
tendremos:
3
5 1 2 5−3 1 4 40
𝑃(𝑋 = 3) = 𝑓(3) = ( ) ( ) ( ) = 10 ∙ ∙ =
3 3 3 27 9 243
4
RELACIONES LABORALES PRIMER0. CURSO 2022-23
ESTADISTICA
MODELOS DE DISTRIBUCIONES DE PROBABILIDAD. INFERENCIA
1 5 1 2 10
𝐸[𝑋] = 5 ∙ = ; 𝑉𝑎𝑟(𝑋) = 𝜎𝑥2 = 5 ∙ ∙ =
3 3 3 3 9
5 1 2 5 3 1 125 625
𝑃(𝑋 = 2) = 𝑓(2) = ( ) ( ) ( ) = 10 =
2 6 6 36 216 3888
En este caso tenemos dos fases en el ejercicio. En primer lugar necesitamos hallar la
probabilidad de que al lanzar 4 monedas, salgan las 4 caras. Para esto tenemos dos
opciones:
1
a) 𝑃(4 𝑐𝑎𝑟𝑎𝑠) = 𝑃(𝐶1 ∩ 𝐶2 ∩ 𝐶3 ∩ 𝐶4 ) = 𝑃(𝐶1 )𝑃(𝐶2 )𝑃(𝐶3 )𝑃(𝐶4 ) = 16
1 4 1 0 1 4 1
𝑋 ~ ℬ (4, ) ; 𝑃(𝑋 = 4) = ( ) ( ) ( ) =
2 4 2 2 16
5
RELACIONES LABORALES PRIMER0. CURSO 2022-23
ESTADISTICA
MODELOS DE DISTRIBUCIONES DE PROBABILIDAD. INFERENCIA
Así pues, habrá que considerar ahora que el experimento es el lanzamiento (no de
una) de las 4 monedas. Ese experimento lo realizaremos 48 veces y el éxito es que
salgan las cuatro caras. Por lo tanto, la variable 𝑌 que mide el número de éxitos
1
verifica que 𝑌 ~ ℬ (48, 16) y como lo que nos piden es que hallemos su esperanza
1
𝐸[𝑌] = 𝑛. 𝑝 = 48. =3
16
Es decir, esperamos que salgan 3 veces las cuatro caras.
Ejercicio 3. De un total de 𝟐𝟎𝟎𝟎 familias con 𝟒 hijos, ¿en cuántas de ellas cabe
esperar que tengan:
Está claro que el experimento se va a realizar 2000 veces, luego 𝑛 = 2000. Sin
embargo, lo que no está tan claro es el valor de la probabilidad de éxito, porque en
cada apartado se considera como éxito una cosa diferente. Por lo tanto en cada
apartado trabajaremos con una binomial diferente.
Por otra parte como cada experimento afecta a familias con 4 hijos, si
consideramos que es equiprobable varón y mujer y consideramos por ejemplo que nos
interesa que sea varón, la variable 𝑋 que mide el número de varones en cada familia
1
de 4 hijos verifica 𝑋 ~ ℬ (4, 2). (De forma dual se podría hacer considerando como
éxito ser mujer. Hágase como ejercicio).
3
𝐸[𝑌1 ] = 2000. = 750
8
6
RELACIONES LABORALES PRIMER0. CURSO 2022-23
ESTADISTICA
MODELOS DE DISTRIBUCIONES DE PROBABILIDAD. INFERENCIA
5
𝐸[𝑌2 ] = 2000. = 1250
8
c) En este caso nos interesa que no tenga ninguna mujer, es decir 4 varones,
1 4 1 0 1
luego la probabilidad de éxito será 𝑃(𝑋 = 4) = (44) (2) (2) = 16. Por tanto
la variable 𝑌3 que mide el número de familias que no tienen ninguna mujer
1
verifica que 𝑌3 ~ ℬ (2000, 16) y en consecuencia, el número de familias que
esperamos cumplan esta condición será
1
𝐸[𝑌3 ] = 2000. = 125
16
d) En este caso nos interesa que haya al menos 1 varón, luego la probabilidad
de éxito será
4 1 0 1 4 1 15
𝑃(𝑋 ≥ 1) = 1 − 𝑃(𝑋 < 1) = 1 − 𝑃(𝑋 = 0) = 1 − ( ) ( ) ( ) = 1 − =
0 2 2 16 16
Por tanto la variable 𝑌4 que mide el número de familias que no tienen ninguna
15
mujer verifica que 𝑌4 ~ ℬ (2000, 16) y en consecuencia, el número de familias
que esperamos cumplan esta condición será
15
𝐸[𝑌4 ] = 2000. = 1875
16
Ejercicio 4.- Sea 𝑿 una variable aleatoria con distribución binomial de
parámetros 𝒏 = 𝟓 y 𝒑 = 𝟎. 𝟒 Calcular:
a) 𝑷(𝑿 = 𝟐)
b) 𝑷(𝑿 > 3)
c) 𝑷(𝑿 ≤ 𝟑)
d) 𝑷(𝟐 < 𝑋 ≤ 4)
e) 𝑷(𝟐 ≤ 𝑿 < 4)
2
Nos están diciendo que 𝑋 ~ ℬ (5, 5) luego
7
RELACIONES LABORALES PRIMER0. CURSO 2022-23
ESTADISTICA
MODELOS DE DISTRIBUCIONES DE PROBABILIDAD. INFERENCIA
2 2 3 3 4 27 216
a) 𝑃(𝑋 = 2) = (52) (5) (5) = 10. 25 . 125 = 625
b) 𝑃(𝑋 > 3) = 𝑃(𝑋 > 3) = 𝑃(𝑋 = 4) + 𝑃(𝑋 = 5) =
5 2 4 3 1 5 2 5 3 0 16 3 32 272
( ) ( ) ( ) + ( ) ( ) ( ) = 5. . + =
4 5 5 5 5 5 625 5 3125 3125
272 2853
c) 𝑃(𝑋 ≤ 3) = 1 − 𝑃(𝑋 > 3) = 1 − 3125 = 3125
2 3 3 2 2 4 3 1
d) 𝑃(2 < 𝑋 ≤ 4) = 𝑃(𝑋 = 3) + 𝑃(𝑋 = 4) = (53) ( ) ( ) + (54) ( ) ( ) =
5 5 5 5
4 27 8 9 72
10. . + 10. . =
25 125 125 25 125
Ejercicio 5.- En un estudio de mercado una empresa ha determinado que el 𝟑𝟎%
de los consumidores son clientes habituales de sus productos. Si se toman al azar
𝟏𝟎 consumidores, calcular:
10 3 0 7 10 10 3 1 7 9 10 3 2 7 8
( ) ( ) ( ) + ( ) ( ) ( ) + ( ) ( ) ( ) = 0.3828
0 10 10 1 10 10 2 10 10
8
RELACIONES LABORALES PRIMER0. CURSO 2022-23
ESTADISTICA
MODELOS DE DISTRIBUCIONES DE PROBABILIDAD. INFERENCIA
10 3 3 7 7 10 3 4 7 6
1 − (0.3828 + ( ) ( ) ( ) + ( ) ( ) ( ) ) = 1 − 0.8497 = 0.1503
3 10 10 4 10 10
10 3 4 7 6 10 3 5 7 5 10 3 6 7 4 10 3 7 7 3
( )( ) ( ) + ( )( ) ( ) + ( )( ) ( ) + ( )( ) ( )
4 10 10 5 10 10 6 10 10 7 10 10
3
d) 𝐸[𝑋] = 𝑛. 𝑝 = 10. 10 = 3
e) Obtengamos primero la varianza y a continuación la desviación típica
3 7 21 21
𝜎 2 = 𝑛𝑝𝑞 = 10. . = ; 𝜎=√
10 10 10 10
9
RELACIONES LABORALES PRIMER0. CURSO 2022-23
ESTADISTICA
MODELOS DE DISTRIBUCIONES DE PROBABILIDAD. INFERENCIA
POISSON.-
Se dice que una variable aleatoria sigue una distribución de Poisson con
parámetro 𝜆
𝑋~℘(𝜆)
𝑒 −𝜆 ∙ 𝜆𝑟
𝑓(𝑟) = ; 𝑟 = 0,1,2, ⋯
𝑟!
Obsérvese que no hay un valor máximo para la variable.
Por ejemplo, si nos dicen que el número de nacimientos diarios en Torrecardenas sigue
una Poisson con parámetro 3.5 entonces que obtengamos la probabilidad de que en
un determinado día nazcan 2 niños será:
𝑒 −3.5 ∙ 3.5𝑟
𝑋~℘(3.5); 𝑓(𝑟) = ; 𝑟 = 0,1,2, ⋯
𝑟!
𝑒 −3.5 ∙ 3.52
𝑃(𝑋 = 2) = 𝑓(2) =
2!
Se demuestra que
10
RELACIONES LABORALES PRIMER0. CURSO 2022-23
ESTADISTICA
MODELOS DE DISTRIBUCIONES DE PROBABILIDAD. INFERENCIA
𝑒 −9 ∙ 910
𝑃(𝑋 = 10) = 𝑓(10) =
10!
Mientras que la probabilidad de que en un turno vayan 30 enfermos será:
𝑒 −36 ∙ 3630
𝑃(𝑌 = 30) = 𝑓(30) =
30!
a) 𝑷(𝑿 = 𝟐)
b) 𝑷(𝑿 ≤ 𝟐)
c) 𝑷(𝑿 > 2)
d) 𝑷(𝟐 ≤ 𝑿 < 5)
𝑒 −𝜆 . 𝜆𝑥
𝑃(𝑋 = 𝑥) = 𝑓(𝑥) = 𝑥 = 0,1,2,3, …,
𝑥!
Y que en nuestro caso será
𝑒 −3 . 3𝑥
𝑃(𝑋 = 𝑥) = 𝑓(𝑥) = 𝑥 = 0,1,2,3, …,
𝑥!
𝑒 −3 .32 9
a) 𝑃(𝑋 = 2) = = 2𝑒 3
2!
30 31 32 17
b) 𝑃(𝑋 ≤ 2) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2) = 𝑒 −3 ( 0! + + ) = 2𝑒 3
1! 2!
17 2𝑒 3 −17
c) 𝑃(𝑋 > 2) = 1 − 𝑃(𝑋 ≤ 2) = 1 − 2𝑒 3 = 2𝑒 3
32 33 34
d) 𝑃(2 ≤ 𝑋 < 5) = 𝑃(𝑋 = 2) + 𝑃(𝑋 = 3) + 𝑃(𝑋 = 4) = 𝑒 −3 ( 2! + + )=
3! 4!
11
RELACIONES LABORALES PRIMER0. CURSO 2022-23
ESTADISTICA
MODELOS DE DISTRIBUCIONES DE PROBABILIDAD. INFERENCIA
Nos están diciendo que la variable 𝑋 que cuenta el número de solicitudes diarias
sigue una Poisson con parámetro 𝜆 = 5, luego
50 51 52 53 54 55 56
c) 𝑃(𝑋 > 6) = 1 − 𝑃(𝑋 ≤ 6) = 1 − 𝑒 −5 ( 0! + + + + + + )=
1! 2! 3! 4! 5! 6!
𝑒 −1 . 12 1
𝑃(𝑌 = 2) = =
2! 2𝑒
Ejercicio 3. Los accidentes de trabajo, 𝑿, que se producen en una fábrica por
semana siguen una Ley de Poisson de forma que
𝟏𝟔
𝑷(𝑿 = 𝟓) = 𝑷(𝑿 = 𝟐)
𝟏𝟓
Se supone que hay independencia entre los accidentes ocurridos en dos semanas
distintas cualesquiera. Calcular:
12
RELACIONES LABORALES PRIMER0. CURSO 2022-23
ESTADISTICA
MODELOS DE DISTRIBUCIONES DE PROBABILIDAD. INFERENCIA
𝑒 −𝜆 . 𝜆5 16 𝑒 −𝜆 . 𝜆2
= .
5! 15 2!
de donde
16 5! 16
𝜆3 = . = . 60 = 64 = 43 ; 𝜆=4
15 2! 15
Luego ya sabemos que 𝑋 ~ ℘(4) por lo que tanto la media como la varianza de
esta distribución será 4. (Recordemos que en una Poisson el parámetro coincide
con la media y con la varianza).
f) Tenemos que hallar un valor 𝛼 de forma que 𝑃(𝑋 ≤ 𝛼) ≤ 0.9 y sin embargo
𝑃(𝑋 ≤ 𝛼 + 1) > 0.9 Para esto vamos a probar con diferentes posibilidades
hasta que encontremos el valor apropiado. Empecemos por ejemplo con 𝛼 =
5
40 41 42 43 44 45
−4
𝑃(𝑋 ≤ 5) = 𝑒 ( + + + + + )
0! 1! 2! 3! 4! 5!
32 32 128
= 𝑒 −4 (1 + 4 + 8 + + + )=
3 3 15
13.15 + 64.5 + 128 195 + 320 + 128 643
= 4
= 4
= ≈ 0.785
15𝑒 15𝑒 15𝑒 4
que satisface la primera condición. Veamos la segunda
643 −4
46 643 256
𝑃(𝑋 ≤ 6) = 𝑃(𝑋 ≤ 5) + 𝑃(𝑋 = 6) = 4
+𝑒 = 4
+ =
15𝑒 6! 15𝑒 45𝑒 4
1929 + 256 2185
= = ≈ 0.889
45𝑒 4 45𝑒 4
que no supera 0.9 por lo que habrá que probar con el siguiente
2185 −4
47 2185 1024
𝑃(𝑋 ≤ 7) = 𝑃(𝑋 ≤ 6) + 𝑃(𝑋 = 7) = +𝑒 = + =
45𝑒 4 7! 45𝑒 4 315𝑒 4
2185.7 + 1024 16319
= = ≈ 0.948
315𝑒 4 315𝑒 4
Que ya si supera 0.9 por lo que el valor pedido será 𝛼 = 6
g) En este caso nos interesa un periodo de cuatro semanas, por lo que la variable
𝑌 que mide el número de accidentes en cuatro semanas sigue una distribución
de Poisson con parámetro 𝜆∗ = 4.4 = 16 y en consecuencia
13
RELACIONES LABORALES PRIMER0. CURSO 2022-23
ESTADISTICA
MODELOS DE DISTRIBUCIONES DE PROBABILIDAD. INFERENCIA
160 1
𝑃(𝑌 = 0) = 𝑒 −16 = 16
0! 𝑒
h) Como partimos del hecho de que lo que ocurra en una semana es
independiente de lo que ocurra en cualquier otra, entonces la probabilidad de
que haya dos accidentes en una semana y otros dos en la siguiente será el
producto de la probabilidad de que haya dos accidentes en una semana por la
probabilidad de que haya otros dos en la siguiente, que como son iguales será
su cuadrado
2
−4
42 64
𝑃(𝑋1 = 2; 𝑋2 = 2) = 𝑃(𝑋1 = 2). 𝑃(𝑋2 = 2) = (𝑒 ) = 8
2! 𝑒
i) En este caso nos piden una probabilidad condicionada (las dos cosas afetan a la
misma semana.
𝑃(𝑋 ≤ 3; 𝑋 ≥ 1) 𝑃(1 ≤ 𝑋 ≤ 3)
𝑃(𝑋 ≤ 3⁄𝑋 ≥ 1) = = =
𝑃(𝑋 ≥ 1) 1 − 𝑃(𝑋 = 0)
41 42 43 32 36 + 32
𝑒 −4 ( 1! + 2! + 3! ) 4+8+ 3 68
= = = 3 =
40 𝑒4 − 1 𝑒4 − 1 𝑒4 − 1
1 − 𝑒 −4 0!
1. Ejercicio 4.- Entre los 100 aspirantes a unas plazas de técnicos superiores en la
Administración Pública, 40 son mujeres. Si seleccionamos una muestra aleatoria,
con reemplazamiento, de 40 aspirantes. Obtener la probabilidad de que como
mucho 5 sean mujeres.
En este caso el experimento aleatorio es la elección de un opositor para ver si es
hombre o mujer. Este experimento se realiza 40 veces y por ser con reemplazamiento,
se hace en condiciones de independencia. Estamos interesados en el suceso ser
mujer. Como la composición de los aspirantes es de 40 mujeres y 60 hombre, entonces
2
la probabilidad de éxito será de por lo que la variable 𝑋 que cuenta el número de
5
2
mujeres elegidas sigue una binomial 𝑋 ~ ℬ (40, 5) y nos están pidiendo
40 2 0 3 40 40 2 1 3 39 40 2 2 3 38
𝑃(𝑋 ≤ 5) = ( ) ( ) ( ) + ( ) ( ) ( ) + ( ) ( ) ( ) +
0 5 5 1 5 5 2 5 5
40 2 3 3 37 40 2 4 3 36 40 2 5 3 35
+( )( ) ( ) + ( )( ) ( ) + ( )( ) ( )
3 5 5 4 5 5 5 5 5
14
RELACIONES LABORALES PRIMER0. CURSO 2022-23
ESTADISTICA
MODELOS DE DISTRIBUCIONES DE PROBABILIDAD. INFERENCIA
2
Podemos calcularlo mediante una aproximación a través de la variable 𝑌~ ℘ (40. 5) y
por lo tanto
Que también es una lata pero mucho más manejable que el anterior.
15
RELACIONES LABORALES PRIMER0. CURSO 2022-23
ESTADISTICA
MODELOS DE DISTRIBUCIONES DE PROBABILIDAD. INFERENCIA
DISTRIBUCION GEOMETRICA.-
𝐴; 𝑝 = 𝑃(𝐴)
y que en caso de ocurrencia diremos que ha sido un éxito. En cambio si no ocurre será
un fracaso
𝑞 = 𝑃(𝐴𝑐 ); 𝑝+𝑞 =1
𝑋~𝒢(𝑝)
𝑓(𝑘) = 𝑝𝑞 𝑘−1 ; 𝑘 = 1, 2, ⋯
2 1 1
𝑝= = ; 𝑋~𝒢 ( )
6 3 3
1 2 𝑘−1
𝑓(𝑘) = ( ) ( ) ; 𝑘 = 1, 2, 3, ⋯
3 3
16
RELACIONES LABORALES PRIMER0. CURSO 2022-23
ESTADISTICA
MODELOS DE DISTRIBUCIONES DE PROBABILIDAD. INFERENCIA
1 2 2 1 4 4
𝑃(𝑋 = 3) = 𝑓(3) = ( ) ( ) = ∙ =
3 3 3 9 27
Veamos cuales son las principales características de esta distribución, es decir su media
y su varianza
1
𝐸[𝑋] =
𝑝
𝑞
𝑉𝑎𝑟(𝑋) = 𝜎𝑥2 =
𝑝2
𝑋 = 1 + 𝑌; 𝑌 =𝑋−1
por lo tanto todo lo visto para la variable 𝑋 es útil para el conocimiento de la variable
𝑌 aunque lógicamente no es idéntico, hay una translación.
Así
1 1−𝑝 𝑞
𝐸[𝑌] = 𝐸[𝑋 − 1] = 𝐸[𝑋] − 1 = −1= =
𝑝 𝑝 𝑝
17
RELACIONES LABORALES PRIMER0. CURSO 2022-23
ESTADISTICA
MODELOS DE DISTRIBUCIONES DE PROBABILIDAD. INFERENCIA
a) 𝑷(𝑿 = 𝟐)
b) 𝑷(𝑿 ≤ 𝟑)
c) 𝑷(𝑿 > 2)
d) 𝑬[𝑿]
1 2 𝑥−1
𝑃(𝑋 = 𝑥) = 𝑓(𝑥) = ( ) ( ) 𝑥 = 1, 2, …,
3 3
1 2 2
a) 𝑃(𝑋 = 2) = 3 ∙ 3 = 9
1 1 2 1 4 19
b) 𝑃(𝑋 ≤ 3) = 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2) + 𝑃(𝑋 = 3) = 3 + 3 ∙ 3 + 3 ∙ 9 = 27
1 2 4
c) 𝑃(𝑋 > 2) = 1 − 𝑃(𝑋 ≤ 2) = 1 − 𝑃(𝑋 = 1) − 𝑃(𝑋 = 2) = 1 − 3 − 9 = 9
1 1
d) 𝐸[𝑋] = 𝑝 = 1 =3
3
Ejercicio 2.- En un laboratorio que contiene 100 productos químicos, de los que 25
son derivados del carbono, se van introduciendo alumnos para que elijan un
producto al azar, se toma nota y se reintegra el producto a su sitio. Hallar la
probabilidad de que sean necesarios 10 alumnos para la obtención de un producto
que sea derivado del carbono.
18
RELACIONES LABORALES PRIMER0. CURSO 2022-23
ESTADISTICA
MODELOS DE DISTRIBUCIONES DE PROBABILIDAD. INFERENCIA
1 3 9 39
𝑃(𝑋 = 10) = ( ) = 10
4 4 4
Ejercicio 3.- Pepe y Luis van a practicar lanzamientos a puerta. Pepe es portero y Luis
𝟏
lanza los penaltis. Se sabe que la probabilidad de que Luis marque gol es de 𝟒. Hallar
la probabilidad de que Pepe pare 5 penaltis antes de que por fin Luis marque su gol.
1 3 5 35
𝑃(𝑋 = 6) = ( ) = 6
4 4 4
19
RELACIONES LABORALES PRIMER0. CURSO 2022-23
ESTADISTICA
MODELOS DE DISTRIBUCIONES DE PROBABILIDAD. INFERENCIA
DISTRIBUCION UNIFORME.
pero
𝑏
1
∫ 𝑘 𝑑𝑥 = 𝑘𝑥|𝑏𝑎 = 𝑘(𝑏 − 𝑎) = 1; 𝑘=
𝑎 𝑏−𝑎
1
𝑋 ~ 𝔘(𝑎, 𝑏) ⇒ 𝑓(𝑥) = ; 𝑎<𝑥<𝑏
𝑏−𝑎
Por tanto su función de distribución será
𝑥
∫ 0 𝑑𝑡 𝑥≤𝑎
−∞
𝑥 𝑎 𝑥
1
𝐹(𝑥) = ∫ 𝑓(𝑡) 𝑑𝑡 = ∫ 0 𝑑𝑡 + ∫ 𝑑𝑡 𝑎 < 𝑥 < 𝑏
−∞ −∞ 𝑎 𝑏−𝑎
𝑎 𝑏 𝑥
1
∫ 0 𝑑𝑡 + ∫ 𝑑𝑡 + ∫ 0 𝑑𝑡 𝑥 ≥ 𝑏
{ −∞ 𝑎 𝑏−𝑎 𝑏
0 𝑥≤𝑎
𝑥−𝑎
={ 𝑎<𝑥<𝑏
𝑏−𝑎
1 𝑥≥𝑏
20
RELACIONES LABORALES PRIMER0. CURSO 2022-23
ESTADISTICA
MODELOS DE DISTRIBUCIONES DE PROBABILIDAD. INFERENCIA
𝑎+𝑏 (𝑏 − 𝑎)2
𝐸[𝑋] = ; 𝜎𝑋2 =
2 12
En cuanto a la mediana
1 𝑥−𝑎 1 𝑎+𝑏
𝐹(𝑥) = ; = ; 2𝑥 − 2𝑎 = 𝑏 − 𝑎; 2𝑥 = 𝑎 + 𝑏; 𝑀𝑒 =
2 𝑏−𝑎 2 2
Ejercicio 1. La cantidad (en kg) demandada a una empresa textil durante un cierto
periodo de tiempo se distribuye uniformemente entre 𝟎 y 𝟐𝟎𝟎𝟎 𝒌𝒈. Determina
para dicho periodo de tiempo:
En este caso
1
𝑋 ~ 𝔘(0,2000) ⇒ 𝑓(𝑥) = ; 0 < 𝑥 < 2000
2000
900 9
e) 𝑃(𝑋 ≤ 900) = 𝐹(900) = 2000 = 20
1900−100 1800 9
a) 𝑃(100 ≤ 𝑋 ≤ 1900) = = 2000 = 10
2000
𝑎+𝑏 2000
b) 𝐸[𝑋] = = = 1000
2 2
a) Los valores de 𝒂 y 𝒃.
b) 𝑷(𝑿 > 10).
𝑎+𝑏 (𝑏−𝑎)2
a) Sabemos que en una uniforme 𝐸[𝑋] = y 𝑉𝑎𝑟[𝑋] = . Como nos
2 12
dicen la media y la desviación típica, elevando al cuadrado la desviación típica
obtenemos la varianza y por consiguiente
𝑎+𝑏 (𝑏 − 𝑎)2 2
𝐸[𝑋] = = 12; 𝑉𝑎𝑟[𝑋] = = (√3) = 3
2 12
21
RELACIONES LABORALES PRIMER0. CURSO 2022-23
ESTADISTICA
MODELOS DE DISTRIBUCIONES DE PROBABILIDAD. INFERENCIA
𝑎+𝑏 (𝑏 − 𝑎)2
= 12; = 3; ⇒ 𝑎 + 𝑏 = 24; (𝑏 − 𝑎)2 = 36; ⇒ 𝑏−𝑎
2 12
=6
luego 𝑏 = 15 y 𝑎 = 9
1
b) Si 𝑋 ~ 𝔘(9,15) entonces 𝑓(𝑥) = 6 9 < 𝑥 < 15 luego
10 − 9 5
𝑃(𝑋 > 10) = 1 − 𝑃(𝑋 ≤ 10) = 1 − 𝐹(10) = 1 − =
6 6
Ejercicio 3.- El tiempo, en minutos, que tarda una persona para ir de su casa al
trabajo oscila entre 𝟑𝟎 y 𝟒𝟎 minutos. Si debe llegar al trabajo a las 𝟗 de la
mañana, ¿A qué hora debe salir de casa para tener una probabilidad de 𝟎. 𝟗 de no
llegar tarde?
1
𝑋 ~ 𝔘(30,40) ⇒ 𝑓(𝑥) = ; 30 < 𝑥 < 40
10
𝑥 − 30
𝑃(𝑋 ≤ 𝑥) = 0.9 ⇒ 𝐹(𝑥) = = 0.9 ⇒ 𝑥 = 39
10
Si el tiempo máximo a tardar son 39 minutos, entonces la hora máxima de salida será
8: 21
22
RELACIONES LABORALES PRIMER0. CURSO 2022-23
ESTADISTICA
MODELOS DE DISTRIBUCIONES DE PROBABILIDAD. INFERENCIA
Distribución exponencial negativa.
Ya hemos visto que una distribución exponencial negativa es aquella cuya función de
densidad viene dada por
Está relacionada con la Poisson de la siguiente forma. Si 𝑋 mide el nº de veces que ocurre un
suceso en una determinada unidad temporal y 𝑋~℘(𝜆) entonces la variable aleatoria 𝑌 que
mide el tiempo (en la misma unidad temporal elegida para la Poisson) de espera hasta que
ocurra por primera vez el suceso objeto de nuestro interés sigue una exponencial negativa con
el mismo parámetro, 𝑌 ~ ℰ(𝜆).
1 1
y su esperanza y varianza: 𝐸[𝑋] = 𝜆 y 𝜎𝑋2 = 𝜆2
Ejercicio 1.- Se sabe que la variable 𝑿 que mide el tiempo que tarda en fundirse una
bombilla (en horas de funcionamiento) sigue una exponencial negativa 𝑿 ~ 𝓔(𝟎. 𝟎𝟎𝟎𝟓).
a) Hallar la probabilidad de que una bombilla dure como mucho 𝟐𝟓𝟎𝟎 horas.
b) Hallar la probabilidad de que una bombilla dure más de 𝟏𝟓𝟎𝟎 horas.
c) Hallar la probabilidad de que dure entre 𝟐𝟎𝟎𝟎 y 𝟑𝟎𝟎𝟎 horas.
d) Hallar su media y su varianza.
23
RELACIONES LABORALES PRIMER0. CURSO 2022-23
ESTADISTICA
MODELOS DE DISTRIBUCIONES DE PROBABILIDAD. INFERENCIA
Ejercicio 2.- Se sabe que 𝑿 ~ 𝓔(𝝀). Hallar el valor de 𝝀 sabiendo que 𝑷(𝑿 > 3) = 𝟎. 𝟏
1 3
−3𝜆 = −𝑙𝑛10 ⇒ 𝜆 = 𝑙𝑛10 = 𝑙𝑛 √10
3
Si denotamos 𝑋 a la variable que cuenta el número de llamadas por hora entonces 𝑋~℘(5)
luego la variable 𝑌 que mide el tiempo de espera (en horas) hasta la primera llamada sigue
una exponencial negativa 𝑌 ~ ℰ(5). Por tanto nos piden
1 1 1 1
𝑃 (𝑌 > ) = 1 − 𝐹 ( ) = 𝑒 −5∙2 =
2 2 √𝑒 5
24
RELACIONES LABORALES PRIMER0. CURSO 2022-23
ESTADISTICA
MODELOS DE DISTRIBUCIONES DE PROBABILIDAD. INFERENCIA
DISTRIBUCION NORMAL.-
Es una distribución muy importante porque hay muchos fenómenos de la vida real que
se adaptan a este esquema y porque es una distribución límite que nos permite su
utilización para efectuar aproximaciones.
1 𝑥2
𝑓(𝑥) = 𝑒− 2; 𝑥∈ℝ
√2𝜋
25
RELACIONES LABORALES PRIMER0. CURSO 2022-23
ESTADISTICA
MODELOS DE DISTRIBUCIONES DE PROBABILIDAD. INFERENCIA
e) 𝑭(𝟎. 𝟓𝟒).
f) 𝑭(−𝟎. 𝟔𝟑).
g) 𝑭(𝟒. 𝟏𝟒).
h) 𝑭(−𝟓. 𝟑𝟖)
i) 𝑭(𝟏. 𝟔𝟐𝟑)
j) 𝑭(−𝟏. 𝟑𝟓𝟕)
f) Basta con mirar en la tabla en la fila del 0.5 y en la columna del 0.04 y
obtenemos que 𝐹(0.54) = 0.7054
g) Como es un valor negativo habrá que utilizar la fórmula 𝐹(−𝑥) = 1 − 𝐹(𝑥),
es decir 𝐹(−0.63) = 1 − 𝐹(0.63) = 1 − 0.7357 = 0.2643
h) Como es un valor mayor que 4 le asignamos imagen 1; 𝐹(4.14) = 1
26
RELACIONES LABORALES PRIMER0. CURSO 2022-23
ESTADISTICA
MODELOS DE DISTRIBUCIONES DE PROBABILIDAD. INFERENCIA
Estamos con una distribución continua por lo que las probabilidades sobre puntos
son 0 y por lo tanto es lo mismo que nos pregunten 𝑃(𝑋 < 𝑎) o 𝑃(𝑋 ≤ 𝑎). Así
pues
a) 𝑷(|𝑿| < 2)
b) 𝑷(|𝑿| > 1.2)
c) 𝑷(|𝑿 − 𝟏| < 1.5)
d) 𝑷(|𝑿 − 𝟎. 𝟓| > 1)
e) 𝑷(𝟐𝑿 − 𝟏 < 𝑋 + 2)
f) 𝑷(𝑿𝟐 < 4)
28
RELACIONES LABORALES PRIMER0. CURSO 2022-23
ESTADISTICA
MODELOS DE DISTRIBUCIONES DE PROBABILIDAD. INFERENCIA
29
RELACIONES LABORALES PRIMER0. CURSO 2022-23
ESTADISTICA
MODELOS DE DISTRIBUCIONES DE PROBABILIDAD. INFERENCIA
a) Mediana
b) 𝑸𝟑
c) 𝑸𝟏
d) Valor de 𝒙 para que 𝑷(|𝑿| ≤ 𝒙) = 𝟎. 𝟖
e) Valor de 𝒙 para que 𝑷(|𝑿| > 𝑥) = 𝟎. 𝟔
Pasemos ahora a definir una normal general. Si una variable 𝑋 ≈ 𝑁(𝜇, 𝜎); 𝜎 > 0 es
porque su densidad viene dada por
1 (𝑥−𝜇)2
−
𝑓(𝑥) = 𝑒 2𝜎2 𝑥∈ℝ
√2𝜋𝜎
Lo que nos permite utilizar la tabla de la normal tipificada para hallar probabilidades
con cualquier otra distribución normal, sin más que tipificar la variable.
30
RELACIONES LABORALES PRIMER0. CURSO 2022-23
ESTADISTICA
MODELOS DE DISTRIBUCIONES DE PROBABILIDAD. INFERENCIA
a) 𝑭𝑿 (𝟑)
b) 𝑷(𝑿 ≤ 𝟐. 𝟓)
c) 𝑷(𝑿 > 3.5)
d) 𝑷(|𝑿| < 1.5)
e) 𝑷(|𝑿| > 1)
a) Como la variable es una normal que no es la estándar, entonces para poder
𝑋−1
utilizar las tablas habrá que tipificar la variable, mediante la expresión 𝑍 =
2
puesto que en nuestro caso 𝜇 = 1 y 𝜎 = 2 sabiendo que 𝑍 ≈ 𝑁(0,1) luego
3−1
𝐹𝑋 (3) = 𝐹𝑍 ( ) = 𝐹𝑍 (1) = 0.8413 sin más que mirar en las tablas.
2
𝑋−1 2.5−1
b) Análogamente, 𝑃(𝑋 ≤ 2.5) = 𝑃 ( ≤ ) = 𝑃(𝑍 ≤ 0.75) = 0.7734
2 2
c) 𝑃(𝑋 > 3.5) = 1 − 𝑃(𝑋 ≤ 3.5) = 1 − 𝑃(𝑍 ≤ 1.25) = 1 − 0.8944 = 0.1056
−1.5−1 1.5−1
d) 𝑃(|𝑋| < 1.5) = 𝑃(−1.5 < 𝑋 < 1.5) = 𝑃 ( <𝑍< )=
2 2
𝑃(−1.25 < 𝑍 < 0.25) = 𝐹𝑍 (0.25) − 𝐹𝑍 (−1.25) = 𝐹𝑍 (0.25) − (1 − 𝐹𝑍 (1.25))
=
= 𝐹𝑍 (0.25) + 𝐹𝑍 (1.25) − 1 = 0.5987 + 0.8944 − 1 = 0.4931
e) P(|𝑋| > 1) = 𝑃(𝑋 < −1) + 𝑃(𝑋 > 1) = 𝑃(𝑋 < −1) + 1 − 𝑃(𝑋 ≤ 1) =
−1 − 1 1−1
𝑃 (𝑍 < ) + 1 − 𝑃 (𝑍 ≤ ) = 𝐹𝑍 (−1) + 1 − 𝐹𝑍 (0) =
2 2
a) Mediana
b) 𝑸𝟑
c) 𝑸𝟏
𝑥−5 𝑥−5
a) 𝐹𝑋 (𝑥) = 0.5 luego 𝐹𝑍 ( ) = 0.5 y por lo tanto = 0 obteniéndose que
2 2
𝑀𝑒 = 5
𝑥−5 𝑥−5
b) 𝐹𝑋 (𝑥) = 0.75 luego 𝐹𝑍 ( ) = 0.75 y por lo tanto = 0.675
2 2
obteniéndose que 𝑄3 = 6.35
𝑥−5 𝑥−5
c) 𝐹𝑋 (𝑥) = 0.25 luego 𝐹𝑍 ( ) = 0.25 y por lo tanto = −0.675
2 2
obteniéndose que 𝑄1 = 3.65
31
RELACIONES LABORALES PRIMER0. CURSO 2022-23
ESTADISTICA
MODELOS DE DISTRIBUCIONES DE PROBABILIDAD. INFERENCIA
120 − 90
1 − 𝑃 (𝑍 <
= 20 ) = 1 − 𝑃(𝑍 < 1.5) = 1 − 0.9332 = 0.0668
110 − 90 1 − 𝑃(𝑋 < 1) 1 − 0.8413 0.1587
1 − 𝑃 (𝑋 < 20 )
32
RELACIONES LABORALES PRIMER0. CURSO 2022-23
ESTADISTICA
MODELOS DE DISTRIBUCIONES DE PROBABILIDAD. INFERENCIA
12 − 𝜇 12 − 𝜇
𝑃(𝑋 ≤ 12) = 0.6915; 𝑃 (𝑍 ≤ ) = 0.6915; = 0.5
𝜎 𝜎
7−𝜇 7−𝜇
𝑃(𝑋 ≥ 7) = 0.8413; 𝑃 (𝑍 ≥ ) = 0.8413; 𝑃 (𝑍 < ) = 0.1587;
𝜎 𝜎
𝜇−7 𝜇−7
𝑃 (𝑍 < ) = 0.8413; =1
𝜎 𝜎
12 − 𝜇 = 0.5𝜎 5
Habrá que resolver el sistema { sumando 1.5𝜎 = 5; 𝜎 = 1.5 ≅ 3.33
𝜇−7=𝜎
por lo que 𝜇 ≅ 10.33 Si aceptamos que 𝑋 ≈ 𝑁(10.33, 3.33) entonces
10 − 10.33
𝑃(𝑋 > 10) = 𝑃 (𝑍 > ) = 𝑃(𝑍 > −0.1) = 𝑃(𝑍 ≤ 0.1) = 0.5398
3.33
33
RELACIONES LABORALES PRIMER0. CURSO 2022-23
ESTADISTICA
MODELOS DE DISTRIBUCIONES DE PROBABILIDAD. INFERENCIA
INFERENCIA.-
En este último epígrafe vamos a abordar algunos métodos que nos permitan
emitir opinión sobre un parámetro desconocido en una distribución dada. Para ello
supondremos que una variable aleatoria responde a un modelo de probabilidad
conocido del que sin embargo desconocemos algún parámetro. Esto lo aplicaremos
para la distribución normal.
CONTRASTES DE HIPOTESIS.
Para formalizar esto diremos que existe una hipótesis que creemos que es
cierta y que denominaremos HIPOTESIS NULA denotándola como 𝐻0 frente a la
opinión de que esto no es cierto y que denominaremos como HIPOTESIS ALTERNATIVA
denotándola como 𝐻1 por ejemplo:
1
𝐻0 𝑝𝑖 = ∀𝑖 = 1, 2, ⋯ , 6
6
6
1
𝐻1 𝑝𝑖 ≠ 𝑝𝑎𝑟𝑎 𝑎𝑙𝑔ú𝑛 𝑖 = 1, 2, ⋯ , 6 𝑦 ∑ 𝑝𝑖 = 1
6
𝑖=1
Al error 𝛼 se le suele llamar como tamaño del test o nivel de significación del
test.
Lo ideal sería encontrar una región crítica para la cual ambos errores tuviesen
probabilidad cero, pero desafortunadamente esta situación no se da (salvo situaciones
triviales), pues, usualmente al reducir la probabilidad de un tipo de error, aumenta la
probabilidad del otro. El procedimiento que se utiliza es limitar la probabilidad del
error tipo I y entonces buscar una región crítica tal que la probabilidad del error tipo II
sea lo más pequeña posible.
Ejemplo.-
JUEZ A JUEZ B
𝐻0 : 𝐸𝑠 𝑖𝑛𝑜𝑐𝑒𝑛𝑡𝑒 𝐻0 : 𝐸𝑠 𝑐𝑢𝑙𝑝𝑎𝑏𝑙𝑒
𝐻1 : 𝐸𝑠 𝑐𝑢𝑙𝑝𝑎𝑏𝑙𝑒 𝐻1 : 𝐸𝑠 𝑖𝑛𝑜𝑐𝑒𝑛𝑡𝑒
35
RELACIONES LABORALES PRIMER0. CURSO 2022-23
ESTADISTICA
MODELOS DE DISTRIBUCIONES DE PROBABILIDAD. INFERENCIA
Si las hipótesis fuesen simétricas, sería indiferente ser juzgado por cualquiera
de ellos.
La hipótesis nula del Juez A consiste en que el acusado es inocente, por lo que
los errores que puede cometer son los siguientes:
Por ello, la filosofía de este juez consiste en que todo el mundo es inocente
mientras no se demuestre lo contrario, por lo que su hipótesis nula o de partida es que
el individuo que tiene delante es inocente y, si no tiene una evidencia clara en contra
de esta afirmación, no lo declarará culpable.
36
RELACIONES LABORALES PRIMER0. CURSO 2022-23
ESTADISTICA
MODELOS DE DISTRIBUCIONES DE PROBABILIDAD. INFERENCIA
Este juez pretende que la proporción de culpables que queden libres sea muy
pequeña y controlada por él, mientras que la proporción de inocentes que vayan a la
cárcel sea mínima pero incontrolada, por lo que podría ser elevada
Por lo tanto, es evidente que este juez tiene como hipótesis de partida que el
acusado es culpable y a no ser que demuestre fehacientemente que es inocente será
declarado como tal.
Como el trabajo con toda la muestra suele ser engorroso, se utilizan algunas
funciones aplicadas a la muestra que nos permitirán ver con más facilidad si el
resultado muestral está en la región crítica o no.
Sea una variable que sigue una distribución normal 𝒩(𝜇, 𝜎 2 ) donde 𝜎 es
conocida. Entonces, exigiendo que el nivel de significación sea 𝛼 vamos a considerar
3 situaciones y en cada una indicaremos cual sería la región de aceptación
𝑋 − 𝜇0
𝑍 = √𝑛
𝜎
donde
1) El contraste
𝐻0 : 𝜇 ≤ 𝜇0 𝑓𝑟𝑒𝑛𝑡𝑒 𝑎 𝐻1 : 𝜇 > 𝜇0
37
RELACIONES LABORALES PRIMER0. CURSO 2022-23
ESTADISTICA
MODELOS DE DISTRIBUCIONES DE PROBABILIDAD. INFERENCIA
𝑍 > 𝑧1−𝛼
2) El contraste
𝐻0 : 𝜇 ≥ 𝜇0 𝑓𝑟𝑒𝑛𝑡𝑒 𝑎 𝐻1 : 𝜇 < 𝜇0
𝑍 < 𝑧𝛼
3) El contraste
𝐻0 : 𝜇 = 𝜇0 𝑓𝑟𝑒𝑛𝑡𝑒 𝑎 𝐻1 : 𝜇 ≠ 𝜇0
Ejemplo.-
Una empresa está interesada en que la demanda mensual de un cierto producto sea al
menos de 200 unidades en promedio, y desea contrastarlo, con un nivel de
significación del 5%, a partir de una muestra de tamaño 36 que reflejó una media
muestral de 210 unidades, suponiendo que dicha demanda sigue una distribución
Normal de varianza igual a 121.
El contraste es
La función será:
𝑋 − 𝜇0 𝑋 − 200
𝑍 = √𝑛 = √36
𝜎 11
Región crítica:
210 − 200
𝑍𝑒𝑥𝑝 = 6 = 5.45 ∉ 𝐶
11
Por tanto, aceptaría 𝐻0 .
38
RELACIONES LABORALES PRIMER0. CURSO 2022-23
ESTADISTICA
MODELOS DE DISTRIBUCIONES DE PROBABILIDAD. INFERENCIA
Ejemplo.-
Se supone que la puntuación obtenida por un opositor en una prueba es una variable
aleatoria que sigue una distribución normal con desviación típica 6 puntos. Se toma
una muestra aleatoria de 36 opositores que arroja una media de 35 puntos en dicha
prueba. ¿Se puede afirmar, con un nivel de significación del 5%, que la calificación
media del total de opositores en la citada prueba es de 37 puntos?
35 − 37
𝑍𝑒𝑥𝑝 = √36 = −2; |−2| > 1.96
6
Por lo que rechazaríamos la hipótesis nula de que la media es de 37 puntos.
Obsérvese que si modificamos el nivel de significación puede cambiar el resultado. Por
ejemplo si exigimos 𝛼 = 0.01 entonces la región crítica viene dada por
1 − 𝛼 ⁄2 = 0.995; 𝑧0.995 = 2.575; |𝑍| > 2.575
Como |−2| ≤ 2.575 entonces sí aceptaríamos la hipótesis nula de que la media es 37
puntos.
39
RELACIONES LABORALES PRIMER0. CURSO 2022-23
ESTADISTICA
MODELOS DE DISTRIBUCIONES DE PROBABILIDAD. INFERENCIA
INTERVALOS DE CONFIANZA.
Quizás una afirmación del tipo <<la estatura media de los españoles es de 170
cm.>> es demasiado categórica.
Parece más razonable establecer sentencias del tipo <<la estatura media de los
españoles está comprendida entre 168 y 173 cm.>>
Ejemplo.-
Supongamos que una empresa empaquetadora de café, imprime en los
paquetes que contienen 1 Kgr., y esta empresa decide revisar la maquinaria si tiene
evidencia que realmente se pone en los paquetes menos de 980 gr. o más de 1010 gr.
Si la cantidad (en gramos) de café que se deposita en cada paquete sigue una
determinada distribución de parámetro media 𝜇, la empresa no tendría motivos
evidentes para revisar la maquinaria si a partir de una muestra se detectase que el
intervalo [985, 1005] contiene al verdadero valor de 𝜇 con una probabilidad muy
alta.
40
RELACIONES LABORALES PRIMER0. CURSO 2022-23
ESTADISTICA
MODELOS DE DISTRIBUCIONES DE PROBABILIDAD. INFERENCIA
También en este caso podemos distinguir tres casos, según que se quiera el
intervalo centrado o desplazado hacia izquierda o derecha.
Ejemplo.-
La demanda mensual de un cierto producto sigue una distribución normal con varianza
3600. A partir de una muestra de tamaño 36 se calculó que 𝑥̅ = 200. Vamos a
construir un intervalo de confianza al 95% para la media 𝜇 de la distribución.
41
RELACIONES LABORALES PRIMER0. CURSO 2022-23
ESTADISTICA
MODELOS DE DISTRIBUCIONES DE PROBABILIDAD. INFERENCIA
60 60
[200 − 1.96 , 200 + 1.96 ] = [180.4 , 219.6]
√36 √36
𝜎 60
[𝑥̅ − 𝑧0.95 , ∞[ = [200 − 1.645 , ∞[ = [183.55, ∞[
√𝑛 √36
𝜎 60
]−∞, 𝑥̅ + 𝑧0.95 ] = ]−∞, 200 + 1.645 ] = ]−∞, 216.45]
√𝑛 √36
𝜎 𝜎 𝜎 𝜎
𝑙 = 𝑥̅ + 𝑧1−𝛼⁄2 − (𝑥̅ − 𝑧1−𝛼⁄2 ) = 𝑥̅ + 𝑧1−𝛼⁄2 − 𝑥̅ + 𝑧1−𝛼⁄2 =
√𝑛 √𝑛 √𝑛 √𝑛
𝜎
= 2𝑧1−𝛼⁄2
√𝑛
42
RELACIONES LABORALES PRIMER0. CURSO 2022-23
ESTADISTICA
MODELOS DE DISTRIBUCIONES DE PROBABILIDAD. INFERENCIA
Esto hace que en algunos ejercicios nos pidan que busquemos cual debe ser el
tamaño muestral para que el intervalo que construyamos tenga un determinado
tamaño.
Ejemplo.-
Se sabe que el peso de los tarros de paté que fabrica una empresa sigue una
distribución normal con desviación típica 25 g. Una muestra aleatoria de 100 tarros
de esa fábrica tiene un peso medio de 230 g.
en este caso,
25 25
[230 − 2.05 , 230 + 2.05 ] = [224.875, 235.125]
10 10
𝜎 25
𝐸 = 𝑟 = 𝑧1−𝛼⁄2 = 2.05 = 5.125
√𝑛 10
𝜎 25 2.05 ∙ 25
𝐸 = 𝑟 = 𝑧1−𝛼⁄2 ≤ 2; 2.05 ≤ 2; √𝑛 ≥ = 25.625
√𝑛 √𝑛 2
43
RELACIONES LABORALES PRIMER0. CURSO 2022-23
ESTADISTICA
MODELOS DE DISTRIBUCIONES DE PROBABILIDAD. INFERENCIA
𝑛 ≥ 656.64
Pero como el tamaño muestral obviamente debe ser un número natural, tomaremos el
siguiente a este, es decir
𝑛 ≥ 657
Ejemplo.-
El peso de los paquetes de sacarina de una determinada marca sigue una ley
normal de media desconocida y desviación típica 0.3 g. Se desea construir un
intervalos de confianza para estimar dicha media, con un nivel de confianza del 98%,
y para ello se toma una muestra aleatoria de 9 paquetes.
b) Obtenga el intervalo sabiendo que los pesos en gramos de los paquetes son: 10,
9.9, 10.04, 9.5, 10.1, 9.8, 10.2, 10, 10.3
𝜎 0.3
𝑙 = 2𝑧1−𝛼⁄2 = 2 ∙ 2.33 = 0.466
√𝑛 3
44